CN109508680A - 一种基于膜计算的病理学显微图像分类方法 - Google Patents
一种基于膜计算的病理学显微图像分类方法 Download PDFInfo
- Publication number
- CN109508680A CN109508680A CN201811379146.6A CN201811379146A CN109508680A CN 109508680 A CN109508680 A CN 109508680A CN 201811379146 A CN201811379146 A CN 201811379146A CN 109508680 A CN109508680 A CN 109508680A
- Authority
- CN
- China
- Prior art keywords
- image
- film
- processing
- input
- rule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明提供一种基于膜计算的病理学显微图像分类方法。所述方法包括:S1、基于深度学习对病理学显微图像库进行训练,获得训练好的神经网络;S2、使用训练好的神经网络建立图像处理膜计算结构模型;S3、将待处理的显微图像输入膜计算结构模型,获得待处理的显微图像的分类结果。上述方法将膜计算方法引入到了显微图像分析领域,提高了病理学显微图像分类的准确率。
Description
技术领域
本发明涉及图像处理技术,具体涉及一种基于膜计算的病理学显微图像分类方法。
背景技术
目前,深度学习图像分类工作中,多数研究都专注于优化神经网络,不重视图像分类的预处理部分,现有的预处理技术一般对图像数据进行多次预处理,使用最后生成的图像数据进行分类。这种处理方法没有系统化的进行各种基础的图像处理,难以充分突出图像中用于分类的特征。在多次预处理方法覆盖的情况下,图像数据会损失较多的有利于分类的信息。
因此,亟需一种可在使用多种图像预处理算法对图像进行预处理时,能够衡量每种处理算法对分类结果的实际效益,选择最有利的分类信息的处理方法。
发明内容
(一)发明目的
为解决现有技术中的问题,本发明一种基于膜计算的病理学显微图像分类方法,对运用的各种基础图像处理方法的效益进行了统计与对比,将经过预处理后获得的分类的准确率给予每种处理算法相应的权重,从而将每种图像处理算法的效益最大化。通过使用基于膜计算的图像预处理提高病理学显微图像分类的准确率。
(二)技术方案
为了达到上述目的,本发明一种基于膜计算的病理学显微图像分类方法,包括:
S1、基于深度学习对病理学显微图像库进行训练,获得训练好的神经网络;
S2、使用训练好的神经网络,建立图像处理膜计算结构模型:
第1号膜:输入待处理的图像;
第2号膜:对输入的图像进行切割处理;
第3号膜:对输入的图像进行预处理,输出n幅使用不同的预处理方法后的图像;
第4号膜:对每种处理方法的图像进行描边处理;
第5号膜:对每种处理方法的图像使用训练好的神经网络进行分类,获得每种处理方法的分类结果。
第6号膜:对每种处理方法的分类结果发准确率进行加权分析,获得最佳分类结果;
S3、将待处理的显微图像输入膜计算结构模型,获得待处理的显微图像的分类结果。
所述膜计算结构为多层膜结构,其表达式为[[[[[[]1]2]3]4]5]6。
可选地,第2号膜中,预处理的规则定义为:
规则一、对输入的图像进行旋转切割处理;
规则二、对输入的图像进行像素化处理。
第3号膜中,预处理的规则定义为:
规则一、对输入的图像进行灰度化处理;
规则二、对输入的图像进行反色变换进行处理;
规则三、对输入的图像进行HSV转化处理;
规则四、对输入的图像进行二值化处理;
规则五、对输入的图像进行k-means聚类;
可选地,第6号膜中加权分析为线性加权分析;
所述神经网络为卷积神经网络。
(三)有益效果
本发明的有益效果是:将膜计算方法引入到了显微图像分析领域,使用基于膜计算的图像预处理提高病理学显微图像分类的准确率,全面的突出图像的各种用于分类的特征,系统化图像分类的预处理部分,较准确的计算出每种预处理方法在分类中发挥的作用并对每种预处理方法所产生的信息进行加权,充分利用图像的各种特征辅助分类,在训练集,测试集以及神经网络相同的情况下获得更加准确的分类结果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为现有技术中图像预处理流程图;
图2为现有技术中图像预处理效果图;
图3为膜系统结构图;
图4为本发明实施例图像处理膜计算结构模型示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
目前,现有技术中,在使用深度学习对图像进行分类之前,普遍都会对图像进行必要的预处理,预处理方法主要有均值滤波、中值滤波、sobel边缘检测等能够强调图片纹理特征以及形状特征的方法,以此提高用深度学习进行图像分类的效果。具体地,如图1所示,共包含三个步骤:步骤一:输入图像;步骤二:对图像进行预处理,预处理算法包括灰度化、反色变换、HSV转换、二值化处理、k-means聚类分割、Sobel边缘检测等;步骤三:输出图像处理结果。经典图像处理方式对图片特征影响较大,部分基础图像处理的效果如图2所示。
本发明将膜计算方法引入到了显微图像分析领域,使用基于膜计算的图像预处理提高分类的准确率。
膜计算的概念源于细胞,膜系统的基本三要素是膜结构、对象和进化规则,具体地,如图3所示,膜计算结构有环境、表层膜、基本膜、基本区域。
在图3结构的基础上,可定义膜系统的格局、计算和输出。每一层膜,每一个独立的区域都会获取数据,完成自己的计算任务并输出结果。即膜结构系统可理解为一种分布式、并行计算的模型。
本实施例以宫颈癌细胞病理组织图像为例,详细说明本发明一种基于膜计算的病理学显微图像分类方法,具体地,包括以下步骤:
S1、基于深度学习对病理学显微图像库进行训练,获得训练好的神经网络。
本实施例中,使用300张宫颈癌显微病理组织图像进行系统训练。这些图像包含高分化,中分化以及低分化三种类别。
S2、使用训练好的神经网络,建立图像处理膜计算结构模型:
第1号膜:输入待处理的图像。
第2号膜:对输入的图像进行切割处理。
对图像进行旋转切割,调整像素以便卷积运算。
第3号膜:对输入的图像进行预处理,输出n幅使用不同的预处理方法后的图像。
将输入图像进行多种基本图像分析方法处理,通过多种预处理方法,尽可能多的提取出训练图像以及待测图像中的有效特征。包括:灰度化,反色,二值化等颜色处理方法;HSL转换等颜色通道转化方法;k-means等颜色特征强调转化方法。
具体地,包括以下规则:
规则一、对输入的图像进行灰度化处理;
规则二、对输入的图像进行反色变换进行处理;
规则三、对输入的图像进行HSV转化处理;
规则四、对输入的图像进行二值化处理;
规则五、对输入的图像进行k-means聚类。
在实际应用中,可根据需求任意添加其他基本图像处理方法。
本实施中,第3号膜对输入的图像进行预处理,输出5幅使用不同的预处理方法后的图像。
第4号膜:对每种处理方法的图像进行描边处理。
通过对图像进行描边处理,可强调图像中的纹理特征与形状特征。
第5号膜:对每种处理方法的图像使用训练好的神经网络进行分类,获得每种处理方法的分类结果。
深度学习部分,本实施中,采用卷积神经网络训练图像与其衍生图像,分别输出的5种处理方法的分类结果。
在实际应用中,可使用不同的神经网络进行分类。
第6号膜:对每种处理方法的分类结果发准确率进行加权分析,获得最终分类结果。
准确率分析部分,经过以上各部分的训练能够得到多种方法处理后的图像分类结果,按照多种排列组合方式进行分类结果测试。在统计分类准确率后对每种处理方法的分类结果使用线性加权,得到较精确的分类结果。
本实施中,第5号膜输出了5种处理方法的分类结果,在第6号膜总对5种处理方法的分类结果进行线性加权分析,最终获得较精确的分类结果。
在实际应用中,线性加权法对于准确率加权工作而言简便且效果明显,也可使用其他加权方式或手动加权。
最后,统计输出结果,以直观的形式展现分类结果。
S3、将待处理显微图像输入膜计算结构,获得处理显微图像的分类结果。
与现有的图像预处理技术相比,现有的预处理技术一般对图像数据进行多次预处理,使用最后生成的图像数据进行分类。一般在多次预处理方法覆盖的情况下,图像数据会损失较多的有利于分类的信息。本专利更加全面的突出图像的各种用于分类的特征,系统化图像分类的预处理部分,较准确的计算出每种预处理方法在分类中发挥的作用并对每种预处理方法所产生的信息进行加权,充分利用图像的各种特征辅助分类,在训练集,测试集以及神经网络相同的情况下获得更加准确的分类结果。
需要说明的是,本实施例所述方法,可以换成任何需要分类的图片,不同的图片分类需求的特征不同,效果也不同。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于膜计算的病理学显微图像分类方法,其特征在于,包括:
S1、基于深度学习对病理学显微图像库进行训练,获得训练好的神经网络;
S2、使用训练好的神经网络建立图像处理膜计算结构模型;
S3、将待处理的显微图像输入膜计算结构模型,获得待处理的显微图像的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述膜计算结构模型为:
第1号膜:输入待处理的图像;
第2号膜:对输入的图像进行切割处理;
第3号膜:对输入的图像进行预处理,输出n幅使用不同的预处理方法后的图像;
第4号膜:对每种处理方法的图像进行描边处理;
第5号膜:对每种处理方法的图像使用训练好的神经网络进行分类,获得每种处理方法的分类结果;
第6号膜:对每种处理方法的分类结果发准确率进行加权分析,获得最佳分类结果。
3.根据权利要求2所述的方法,其特征在于,
所述膜计算结构为多层膜结构,其表达式为[[[[[[]1]2]3]4]5]6。
4.根据权利要求2所述的方法,其特征在于,
第2号膜中,预处理的规则定义为:
规则一、对输入的图像进行旋转切割处理;
规则二、对输入的图像进行像素化处理。
5.根据权利要求2所述的方法,其特征在于,
第3号膜中,预处理的规则定义为:
规则一、对输入的图像进行灰度化处理;
规则二、对输入的图像进行反色变换进行处理;
规则三、对输入的图像进行HSV转化处理;
规则四、对输入的图像进行二值化处理;
规则五、对输入的图像进行k-means聚类。
6.根据权利要求2所述的方法,其特征在于,
第6号膜中加权分析为线性加权分析。
7.根据权利要求2所述的方法,其特征在于,
所述神经网络为卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811379146.6A CN109508680A (zh) | 2018-11-19 | 2018-11-19 | 一种基于膜计算的病理学显微图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811379146.6A CN109508680A (zh) | 2018-11-19 | 2018-11-19 | 一种基于膜计算的病理学显微图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109508680A true CN109508680A (zh) | 2019-03-22 |
Family
ID=65749136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811379146.6A Pending CN109508680A (zh) | 2018-11-19 | 2018-11-19 | 一种基于膜计算的病理学显微图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109508680A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763388A (zh) * | 2021-07-29 | 2021-12-07 | 山东师范大学 | 一种用于脑转移瘤混合监督学习的深度凝聚种群p系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
CN107180426A (zh) * | 2017-06-06 | 2017-09-19 | 西北工业大学 | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 |
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN108509991A (zh) * | 2018-03-29 | 2018-09-07 | 青岛全维医疗科技有限公司 | 基于卷积神经网络的肝部病理图像分类方法 |
US20180322327A1 (en) * | 2017-05-02 | 2018-11-08 | Techcyte, Inc. | Machine learning classification and training for digital microscopy cytology images |
-
2018
- 2018-11-19 CN CN201811379146.6A patent/CN109508680A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
CN105938564A (zh) * | 2016-04-29 | 2016-09-14 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及系统 |
US20180322327A1 (en) * | 2017-05-02 | 2018-11-08 | Techcyte, Inc. | Machine learning classification and training for digital microscopy cytology images |
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN107180426A (zh) * | 2017-06-06 | 2017-09-19 | 西北工业大学 | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 |
CN108509991A (zh) * | 2018-03-29 | 2018-09-07 | 青岛全维医疗科技有限公司 | 基于卷积神经网络的肝部病理图像分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763388A (zh) * | 2021-07-29 | 2021-12-07 | 山东师范大学 | 一种用于脑转移瘤混合监督学习的深度凝聚种群p系统和方法 |
CN113763388B (zh) * | 2021-07-29 | 2022-12-09 | 山东师范大学 | 一种用于脑转移瘤混合监督学习的深度凝聚种群p系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202997B (zh) | 一种基于深度学习的细胞分裂检测方法 | |
CN108182441B (zh) | 平行多通道卷积神经网络、构建方法及图像特征提取方法 | |
Klibisz et al. | Fast, simple calcium imaging segmentation with fully convolutional networks | |
CN108304826A (zh) | 基于卷积神经网络的人脸表情识别方法 | |
Ong et al. | Segmentation of color images using a two-stage self-organizing network | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN108647628B (zh) | 一种基于多特征多任务字典稀疏迁移学习的微表情识别方法 | |
CN109684922A (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN109376787B (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN110097060A (zh) | 一种面向树干图像的开集识别方法 | |
CN109389171A (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN108288048A (zh) | 基于改进头脑风暴优化算法的面部情绪识别特征选择方法 | |
CN109410195A (zh) | 一种磁共振成像脑分区方法及系统 | |
CN111460966B (zh) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 | |
CN109543637A (zh) | 一种人脸识别方法、装置、设备以及可读存储介质 | |
CN108009512A (zh) | 一种基于卷积神经网络特征学习的人物再识别方法 | |
CN114708637A (zh) | 一种基于元学习的人脸动作单元检测方法 | |
Arevalo et al. | Hybrid image representation learning model with invariant features for basal cell carcinoma detection | |
CN109508680A (zh) | 一种基于膜计算的病理学显微图像分类方法 | |
CN112233043A (zh) | 一种基于DenseNet与GAN的低照度图像增强方法 | |
CN117541844A (zh) | 一种基于超图学习的弱监督组织病理学全切片图像分析方法 | |
Tong et al. | Graph spectral regularization for neural network interpretability | |
CN114548197A (zh) | 一种基于自律学习sdl模型的聚类方法 | |
Zeng | Research on Cross-Contrast Neural Network Based Intelligent Painting: Taking Oil Painting Language Classification as an Example | |
CN116452910B (zh) | 基于图神经网络的scRNA-seq数据特征表示和细胞类型识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |